論文の概要: Pre- and Post-Treatment Brain Metastases Segmentation Using nnU-Net with Post-Processing for BraTS 2026

• arxiv url: http://arxiv.org/abs/2609.11477v1
• Date: Thu, 10 Sep 2026 12:43:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.358815
• Title: Pre- and Post-Treatment Brain Metastases Segmentation Using nnU-Net with Post-Processing for BraTS 2026
• Title（参考訳）: BraTS 2026におけるnU-Netを用いた前・後脳転移の分節化
• Abstract要約: 脳転移は、サイズ、拡張パターン、および治療後の外観において高い配列間変動を示す。 5倍のnnU-Net ResEnc-Lアンサンブル上に実用的なパイプラインを構築する。 損失工学、代替バックボーン、推論時間設定にまたがる13の負の結果を報告する。
• 参考スコア（独自算出の注目度）: 3.6641231031729173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain metastases exhibit high inter-lesion variability in size, enhancement pattern, and post-treatment appearance, making volumetric segmentation of both pre- and post-treatment cases the central challenge of the BraTS 2026 Task 1 (Brain Metastases). We build a pragmatic pipeline on a 5-fold nnU-Net ResEnc-L ensemble, in which each fold is trained independently for 1,000 epochs with the standard Dice + cross-entropy loss on 1,296 four-modality training cases. This ensemble is followed by a rule-based post-processing cascade tuned for the lesion-wise Dice similarity coefficient (LW-DSC), a detection-oriented metric that behaves very differently from the traditional global Dice. The final pipeline reaches an LW-DSC of 0.733 / 0.751 / 0.713 / 0.549 on the enhancing tumour (ET), tumour core (TC), whole tumour (WT), and resection cavity (RC) sub-regions on the official validation leaderboard. Rather than trusting these leaderboard gains, we audit every post-processing stage with a five-fold out-of-fold (OOF) analysis with no model-training leakage over all 1,296 training cases, scored with the official BraTS evaluation code (BraTS_evaluation): it confirms two stages as robust, per-fold-consistent improvements while the third improves only the leaderboard and does not reproduce out-of-fold. We further provide a mechanistic analysis of the LW-DSC metric that explains why recall-recovering post-processing carries low risk whereas component deletion does not, and we report thirteen negative results spanning loss engineering, alternative backbones, and inference-time settings, several of which run counter to widely held intuitions. Source code is released under Apache-2.0 at https://github.com/hornbeamliu/brats2026-met.
• Abstract（参考訳）: 脳転移は, サイズ, 拡張パターン, 治療後の容積分画をBraTS 2026 Task 1 (Brain Metastases) の中心的課題とする。 我々は5倍の nnU-Net ResEnc-L アンサンブル上に実用的パイプラインを構築し, 1,296 の 4 次トレーニングケースにおいて, 標準的な Dice + クロスエントロピー損失の1,000 個のエポックに対して, それぞれの折り返しを独立に訓練する。 このアンサンブルに続いて、Dice類似度係数(LW-DSC)のために調整されたルールベースの後処理カスケードが続く。 最終パイプラインは、拡張腫瘍(ET)、腫瘍コア(TC)、全腫瘍(WT)、そして公式の検証リーダーボード上の切除腔(RC)サブリージョンで0.733 / 0.751 / 0.713 / 0.549のLW-DSCに達する。 これらのリーダボードの利得を信頼するのではなく、1296のトレーニングケースすべてに対して、モデルトレーニングによるリークのない5倍のアウトオブフォールド(OOF)分析で、すべてのポストプロセッシングステージを監査します。 さらに、LW-DSC測定値の機械的解析を行い、リコール・リカバリ後処理が低リスクであるのに対して、コンポーネントの削除ができない理由を説明し、損失工学、代替バックボーン、推論時間設定にまたがる13の負の結果を報告する。 ソースコードはApache-2.0でhttps://github.com/hornbeamliu/brats2026-metで公開されている。

関連論文リスト

• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• SegGuidedNet: Sub-Region-Aware Attention Supervision for Interpretable Brain Tumor Segmentation [5.995766869240907]
  我々は,デコーダネットワークであるSegGuidedNetを提案する。このデコーダは,デコーダを監督し,各腫瘍の亜領域壊死コア,頭蓋周囲浮腫に対する空間的識別的アテンションマップを生成し,軽量な補助的損失により腫瘍を増強し,パラメーターのオーバーヘッドを0.2%以下に抑える。 SegGuidedNetは平均Dice 0.905を達成し、アンサンブルベースのnnU-NetとHNF-Netv2を1モデルとして上回り、Swin UNETRに2～4Diceポイント以内の10モデルアンサンブルに近づいた。
  論文  参考訳（メタデータ） (2026-05-21T14:50:04Z)
• D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
  欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。 提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
  論文  参考訳（メタデータ） (2026-05-21T09:55:42Z)
• AuditRepairBench: A Paired-Execution Trace Corpus for Evaluator-Channel Ranking Instability in Agent Repair [21.974153439592317]
  AuditBenchは576,000の登録細胞(96,000が実行)のペア実行トレースコーパスである 宣言された可観測性境界内で評価器-チャネル遮断ランキングの不安定を運用する。 80ケースのソースレベルのチャネルサージェリーサブセット上で、メカニズムアンカレートによる検証がサポートされている。
  論文  参考訳（メタデータ） (2026-05-06T08:12:09Z)
• On the Role of Reasoning Patterns in the Generalization Discrepancy of Long Chain-of-Thought Supervised Fine-Tuning [63.41902113656453]
  長いチェーン・オブ・ソート(CoT)軌道上でのSFT(Supervised Fine-Tuning)は、大きな推論モデルを構築する上で重要なフェーズとなっている。 2つの競合モデルによって生成された2つの検証されたCoT軌道源を用いて比較研究を行う。 textttDeepSeek-R1-0528データ上のSFTは、トレーニング損失を著しく低減するが、一般化性能は著しく低下する。
  論文  参考訳（メタデータ） (2026-04-02T07:00:54Z)
• Domain-Guided YOLO26 with Composite BCE-Dice-Lovász Loss for Multi-Class Fetal Head Ultrasound Segmentation [0.0]
  我々は、YOLO26-Segの上にプロンプトフリーパイプラインを構築し、脳、Cavum Septi Pellucidi(CSP)、横室(LV)の3つの構造を共同で検出し、セグメント化する。 i) 逆周波数クラス重み付けによる複合BCE-Dice-Lovszセグメンテーション損失を、実行時サルパッチングによるYOLO26トレーニングループに注入すること、(ii) 脳境界に対する解剖学的位置を尊重しながら、少数クラス構造を移植するドメイン誘導コピーペースト増強をすること、(iii) 患者間階層化。
  論文  参考訳（メタデータ） (2026-03-23T14:02:57Z)
• DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
  脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。 マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。 本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:31:21Z)
• ReCoSeg++:Extended Residual-Guided Cross-Modal Diffusion for Brain Tumor Segmentation [0.9374652839580183]
  より大きく異質なBraTS 2021データセットにReCoSegアプローチを拡張した,半教師付き2段階のフレームワークを提案する。 第1段階では、残留誘導拡散確率モデル (DDPM) がFLAIR, T1, T2スキャンからT1ceモダリティを再構成することにより、クロスモーダル合成を行う。 第2段階では、軽量なU-Netが残基マップの連結を入力として、T1, T2, FLAIRによるT1ceと合成されたT1ceの差として計算し、腫瘍全体のセグメンテーションを改善する。
  論文  参考訳（メタデータ） (2025-08-01T20:24:31Z)
• A Feature-Level Ensemble Model for COVID-19 Identification in CXR Images using Choquet Integral and Differential Evolution Optimization [0.7510165488300369]
  新型コロナウイルスのパンデミックを緩和するための効果的な戦略は、感染した個人を特定するための検査を統合することである。 RT-PCRは、新型コロナウイルスの診断における金の基準と考えられているが、偽陰性のリスクなどいくつかの制限がある。 本稿では,事前学習したディープ・コーン・ニューラル・ニューラルネットワーク(DCNN)をアンサンブル学習フレームワークに統合した新しいディープラーニング診断システムを提案する。
  論文  参考訳（メタデータ） (2025-01-14T16:28:02Z)
• Brain tumor segmentation with self-ensembled, deeply-supervised 3D U-net neural networks: a BraTS 2020 challenge solution [56.17099252139182]
  U-netのようなニューラルネットワークを用いた脳腫瘍セグメント化作業の自動化と標準化を行う。 2つの独立したモデルのアンサンブルが訓練され、それぞれが脳腫瘍のセグメンテーションマップを作成した。 我々の解は、最終試験データセットにおいて、Diceの0.79、0.89、0.84、およびHausdorffの95%の20.4、6.7、19.5mmを達成した。
  論文  参考訳（メタデータ） (2020-10-30T14:36:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。